グラフニューラルネットワークと構成クロスアテンションを用いたテンソルコンパイラ

最近のニューラルネットワークの人気とともに、推論ワークロードの効率的な提供が求められています。ニューラルネットワークの推論ワークロードは、多次元テンソルを変換する演算子をノードとする計算グラフとして表現できます。これらのテンソルは、組み合わせ的に多数の方法で転置および/またはタイリング（tiling）されることが可能であり、一部の構成では推論が加速されます。本研究では、TGraphというニューラルグラフアーキテクチャを提案します。これは、対象となる計算グラフの高速な構成をスクリーニングすることを可能とし、従来のヒューリスティックベースのコンパイラとは対照的に、人工知能（AI）テンソルコンパイラを表しています。提案された解決策は、信頼性のある基準値に対する平均ケンドールの$\tau$値をTpuGraphsのレイアウトコレクション全体で29.8%から67.4%に向上させました。当社の研究に関連する潜在的なCO$_2$排出量削減量は、AI向けデータセンターが設置されている地域における世帯排出量総計の50%以上に相当すると推定されています。